如何用Cheerio从含多标签的XML元素中提取指定可读文本

实现步骤 #

• 以XML模式加载整个文档，确保Cheerio正确解析CDATA内容
• 定位<description>标签，提取其内部的HTML片段（CDATA包裹的内容会被自动剥离标记）
• 将该HTML片段重新加载为Cheerio实例，通过索引选择第二个<p>标签并提取文本

代码示例 #

const cheerio = require('cheerio');

// 示例XML内容
const xmlContent = `
<item>
  <description><![CDATA[
    <p>无关段落内容</p>
    <p>Eddie Hearn views it as positive if Ryan Garcia teams up with his former trainer Eddy Reynoso to try and pick up</p>
    <p>其他段落内容</p>
  ]]></description>
</item>
`;

// 开启XML模式加载XML文档
const $xml = cheerio.load(xmlContent, { xmlMode: true });

// 获取description标签内的HTML片段
const descriptionHtml = $xml('description').html();

// 将HTML片段转为可操作的Cheerio实例
const $html = cheerio.load(descriptionHtml);

// 提取第二个<p>的文本（eq(1)对应索引1，即第二个元素）
const targetText = $html('p').eq(1).text().trim();

console.log(targetText);

注意事项 #

• 若存在多个<description>标签，需先定位到对应的父节点（比如<item>）再获取目标标签，例如$xml('item').eq(0).find('description').html()
• 必须开启xmlMode: true，否则Cheerio无法正确识别XML结构和CDATA内容

内容的提问来源于stack exchange，提问作者Daniel Tolentino